CN112181008A - 高温化成柜热源功率智能控制方法、装置及介质 - Google Patents

Abstract

本发明公开了一种高温化成柜热源功率智能控制方法、装置及介质，该方法包括：采集对应的温度数据；根据温度数据构建基于深度神经网络的温度预测模型，通过温度预测模型对高温化成柜的内部温度进行实时预测，得到温度预测结果；根据温度预测结果对加热模块的热功率进行预测，得到热功率预测结果；根据热功率预测结果对加热模块的热功率下发对应的控制指令。本发明具有如下有益效果：降低外循环风机的开关频率，减小温度波动；通过智能算法控制加热功率的调节来实现系统产热量与散热量的平衡，提高控制精度；而且控制方法能适用于同类不同尺寸的高温化成柜，通用性较高；实时调节功能，提高了柜体的均温性，能有效的提高电池性能及使用寿命。

Description

高温化成柜热源功率智能控制方法、装置及介质

技术领域

本发明涉及计算机领域，特别涉及一种高温化成柜热源功率智能控制方法、 装置及介质。

背景技术

锂电池充放电过程中，电池本身以一定速率产生热量，而且在电池的充放电 过程中，热量也会发生变化。且化成柜往往存在电池兼容，因此电池的发热量存 在不确定性。当温度高于设定的温度时，此时加热管保持关闭，并开启外部循环 风机以抽入低温空气进行直接冷却。当环境温度降至设定温度时关闭外循环风机 并开启加热管。加热管的温控采用电源的全通全断切换方式，内、外温差往往都 较高，甚至高达70℃，巨大的温差下冷、热气流的掺混必将引起温度场的局部 剧烈波动，而导致整个流场出现温度不均匀的现象。

参考图1，由于高温化成柜受实际使用过程中空间及试件尺寸的限制，无法 参考GB/T5170进行标准化恒温设计，而采用非标设计，通过在各风机进风口布 置一组加热模块，加热模块不限于电加热和换热器加热。

现有技术的柜体的恒温设计往往分成两个过程：

(1)升温过程，柜体在从环境温度升到需要的温度；

(2)稳定过程，由于柜体结构上原因，初期过程柜体内温度分布存在差异， 经一定时间的稳定，柜体均温性能将逐渐提高。

实际过程柜体中，由于生产需要，如果恒温过程较长将会造成生产效率的下 降。如果恒温精度不高，将会影响电池的性能。如何达到两者的平衡是关键。当 前的解决方案主要基于库位内流场分布规律以优化顶板结构从而实现顶部均匀 送风的目的。

因此，现有技术存在以下缺陷：

(1)无法考虑冷热气流的瞬时激励对整个库位温度场分布均匀性的影响。 同时，外循环风机的启动也造成了能量的损失。

(2)无法考虑电池的瞬态功率变化、环境条件下的时间和空间变化，三维 结构的差异性。

(3)由于电池种类繁杂，长短不一，柜体的风道结构也会出现较大的差异。 设计周期短，如何短期内高效的设计柜体均温风道结构。

参考图2a及图2b，受内循环风机风压的影响，针对不同的尺寸电池进行合 理的风道选择，直接决定了柜体所能达到的均温程度。因此，现有技术方案需要 对风道进行配置，该实现方式存在缺陷。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一 种高温化成柜热源功率智能控制方法、装置及介质，准确的预测柜体内时间上与 空间上的温度变化，实现智能化控制柜体均温。

本发明的技术方案包括一种高温化成柜热源功率智能控制方法，其特征在 于，包括：温度采集，通过设置于高温化成柜内部的若干个温度采集模块采集对 应的温度数据；温度预测，根据所述温度数据构建基于深度神经网络的温度预测 模型，通过所述温度预测模型对高温化成柜的内部温度进行实时预测，得到温度 预测结果；热功率预测，根据所述温度预测结果对加热模块的热功率进行预测， 得到热功率预测结果；温度调节，根据所述热功率预测结果对所述加热模块的热 功率进行动态调整。

根据所述的高温化成柜热源功率智能控制方法，其中温度采集包括：在高 温化成柜的内壁均匀设置所述温度采集模块，通过所述温度采集模块采集不同时 刻的温度的多组所述温度数据。

根据所述的高温化成柜热源功率智能控制方法，其中基于深度神经网络的 温度预测模型包括：输入层，以所述温度数据作为所述深度神经网络的输入层中 用于编码的神经元，每个所述输入层包括m*n*p个神经元，其中m、n、p为高 温化成柜内部三维方向所设置的所述温度采集模块数量；隐藏层，通过设置多个 实验值，计算隐藏层的层数及神经元数，确定所述加热模块的档位数量；输出层， 以二进制控制输出，输出层的神经元数量根据所述档位数量进行自定义调整。

根据所述的高温化成柜热源功率智能控制方法，其中温度预测包括：以测 试数据作为所述基于深度神经网络的温度预测模型的输入数据，通过随机梯度下 降算法对测试数据执行分组计算交叉熵代价函数。

根据所述的高温化成柜热源功率智能控制方法，其中热功率预测包括：

根据所述交叉熵代价函数及激活函数，迭代计算神经网络的各层权重和偏置，其中，权重和偏置的更新规则为：

其中C为交 叉熵代价函数，η为学习效率，以及，构建加热功率与温度的函数关系，函数关 系的公式为P＝f(t₁,t₂,t₃...)，其中t₁,t₂,t₃...为处于不同时刻的温度数据。

根据所述的高温化成柜热源功率智能控制方法，其中热功率预测还包括： 计算采集时间Δτ内的所述温度数据变化Δt，根据温度梯度▽t＝Δt/Δτ的变化 方向：当温度梯度▽τ向温差t-t0逐渐减小方向变化，放弃对应加热模块的加热 功率的调整；当温度梯度▽t向温差t-t0逐渐增大方向变化，则调整对应加热模 块的加热功率，其中t为所采集的温度，t0为设定温度，τ为时间常数。

本发明的技术方案还包括一种高温化成柜热源功率智能控制装置，所述高 温化成柜热源功率智能控制装置用于执行任一所述方法，该装置包括温度采集装 置、温度预测装置、加热装置及调节装置；所述采集装置包括若干均匀设置于高 温化成柜内壁的温度采集模块，用于采集温度数据；所述温度预测装置用于根据 所述温度数据对高温化成柜的内部温度及所述加热装置的热功率进行预测，得到 预测结果并下发对应的调节指令；所述加热装置包括若干组所述加热模块；所述 调节装置用于根据所述温度预测装置的所述预测结果及调节指令对所述加热模 块的功率进行动态调节。

根据所述的高温化成柜热源功率智能控制装置，其中调节装置被配置为PID 调节装置。

本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一 所述的方法步骤。

本发明的有益效果为：降低外循环风机的开关频率，减小温度波动；通过 智能算法控制加热功率的调节来实现系统产热量与散热量的平衡，提高控制精 度；而且控制方法能适用于同类不同尺寸的高温化成柜，通用性较高；实时调节 功能，极大的提高了柜体的均温性，能有效的提高电池性能及使用寿命。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将 变得明显和容易理解，其中：

图1所示为高温化成柜恒温示意图；

图2a，2b所示为两种不同的风道结构图；

图3所示为根据本发明实施方式的总体流程图；

图4所示为根据本发明实施方式的装置框图；

图5a，5b所示为根据本发明实施方式的加热模块的安装示意图；

图6所示为根据本发明实施方式的功率调节流程图；

图7所示为根据本发明实施方式的神经网络示意图；

图8所示为根据本发明实施方式的交叉熵代价函数示意图；

图9所示为根据本发明实施方式的介质示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始 至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下 面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对 本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上， 大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

参照图3的流程图，该流程表示一次调节的流程，包括：S100，通过设置于 高温化成柜内部的若干个温度采集模块采集对应的温度数据；S200，根据温度数 据构建基于深度神经网络的温度预测模型，通过温度预测模型对高温化成柜的内 部温度进行实时预测，得到温度预测结果；S300，根据温度预测结果对加热模块 的热功率进行预测，得到热功率预测结果；S400，根据热功率预测结果对加热模 块的热功率进行动态调整。

参考图4，其中C1、C2、C3、C4……Cn为均匀设置于高温化成柜内壁多个 温度采集模块，温度采集模块可以根据高温化成柜的大小进行自定义设置。H1、 H2、H3、H4、……Hn，为对应的多组加热模块。温度控制装置一般采用PID调 节装置，以适应动态的加热调控。

图5a，5b分别提供了针对不同高温化成柜内壁的温度采集模块的示意图。

图6所示为根据本发明实施方式的加热功率调节流程图，其主要包括以下步 骤：要实现对温度的精准控制，目前PID调节方式已得到广泛的应用，PID的调 节方式往往都是根据设定的温度与监测的温度进行比较，然后对加热的功率进行 增加和降低，从而能实现加热功率的无极调控。通过对多组发热管功率的差异化 调整从而控制柜体深度方向的温度分布。如何建立精准的发热功率的智能调节策 略是本专利要解决的问题。

基于神经网络的大数据算法，建立柜体空间的温度预测模型，通过提高温度、 温度梯度、温度波动和温度变化率的可控性来增强锂电设备的化成可靠性。准确 的预测柜体内时间上与空间上的温度变化来智能化控制柜体均温。

柜体采用矩阵式温度控制+AI温控策略，基于柜体内多个控温点采集数据作 为采样数据建立数学模型，通过神经网络自学习的方法构建不同场景下的柜体内 温度分布，建立空间温度分布模型，并基于柜体内的温控实时数据，建立高精度 的预测模型，实时调整柜体加热功率的温控策略。

参考图5a，5b，样机空间内均布温度采集模块，其中以m*n*p个温感采集 点为例，其中库位的均温按照库位温度采集点t与设定温度t0的最大差值 Max|t-t0|作为判断标准。其中，Max|t-t0|值越小即其与设定值之间的偏差值越小， 则说明库位的均温性越好。其神经网络图参考图7。

同时，最大温差采集点的位置对加热功率的控制权重较大。

同时，针对测试件周围环境的温度均温性与柜体的均温性设置优先等级。

(1)温度的预测：

以具有多个隐含层的深度神经网络为预测模型对加热功率进行修正。

网络的输入层包含给柜体内设置的温度监控点进行编码的神经元，所有的输 入层包含m*n*p个神经元，其中m，n，p分别表示柜体内3D方向设置的温感 探头数。

网络的中间层为隐含层，通过给定的不同试验值，计算出较为合适的隐含层 层数和神经元数，加热功率的调节考虑实际情况以t个档位进行调节，则三组加 热管共有t3种调节方式。

网络的输出可采用二进制进行控制，因此假定网络输出层的神经元数量为 w，其中w需满足，2w>＝t3，从而有效的减少了输出层的神经元数量。

例：如果档位为t＝3，三组加热管共33＝27种调节方式，输出层神经元数为 5，即25>27，因此5组输出神经元可完成对27种档位的调节。

以实测数据作为神经网络训练样本集合，将随机选取部分数据为训练样本， 剩余数据作为测试数据。数据集合较为庞大，梯度下降算法对数据的遍历计算造 成运行周期较长，不利于柜体温度的瞬时调节。因此采用随机梯度下降算法，对 测试数据分组计算交叉熵代价函数提高运算速率。计算交叉熵代价函数参考图 8。

以图8为例，其中，x＝{x1,x2,x3…}为输入向量组，w、b分别为权重和偏置， σ为激活函数，a为激活值。

其中，权重和偏置的更新规则如下：

其中C为代价函数，η为学习效率。

根据选定的代价函数和激活函数，便可迭代计算出神经网络的各层权重和偏 置。建立加热功率与温度的函数关系，即P＝f(t1,t2,t3…)。

由于当前的神经网络算法种类已经能满足简单的预测功能，在此对算法的原 理不在赘述。

通过神经网络拟合出的预测模型，根据数据采集器的反馈温度值，计算三组 加热模块的功率，通过PID调节，即可实时更新加热模块的发热功率。

(2)温度梯度的预测，根据温度的实时预测，将造成加热功率的调整过于 频繁，可能库位内的温度在某一范围内急剧波动。

因此，在获得采集的数据温度后，计算采集时间Δτ内的温度变化Δt，考 虑温度梯度▽t＝Δt/Δτ的变化方向：

当温度梯度▽τ向温差t-t0逐渐减小方向变化，则可放弃此组加热功率的调 整。

当温度梯度▽t向温差t-t0逐渐增大方向变化，则调整此次加热功率。

故而，在原来的三层神经网络基础上，增加一层隐含层网络，用于考虑温度 梯度的影响。

图8所示为根据本发明实施方式的介质示意图。图6所示为根据本发明实 施方式的装置示意图。装置包括存储器100及处理器200，其中处理器200存储 有计算机程序，计算机程序用于执行：采集对应的温度数据；根据温度数据构建 基于深度神经网络的温度预测模型，通过温度预测模型对高温化成柜的内部温度 进行实时预测，得到温度预测结果；根据温度预测结果对加热模块的热功率进行 预测，得到热功率预测结果；根据热功率预测结果对加热模块的热功率下发对应 的控制指令。其中，存储器100用于存储数据。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施 例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明 宗旨的前提下作出各种变化。

Claims (9)

1.一种高温化成柜热源功率智能控制方法，其特征在于，包括：

温度采集，通过设置于高温化成柜内部的若干个温度采集模块采集对应的温度数据；

温度预测，根据所述温度数据构建基于深度神经网络的温度预测模型，通过所述温度预测模型对高温化成柜的内部温度进行实时预测，得到温度预测结果；

热功率预测，根据所述温度预测结果对加热模块的热功率进行预测，得到热功率预测结果；

温度调节，根据所述热功率预测结果对所述加热模块的热功率进行动态调整。

2.根据权利要求1所述的高温化成柜热源功率智能控制方法，其特征在于，所述温度采集包括：在高温化成柜的内壁均匀设置所述温度采集模块，通过所述温度采集模块采集不同时刻的温度的多组所述温度数据。

3.根据权利要求1所述的高温化成柜热源功率智能控制方法，其特征在于，所述基于深度神经网络的温度预测模型包括：

输入层，以所述温度数据作为所述深度神经网络的输入层中用于编码的神经元，每个所述输入层包括m*n*p个神经元，其中m、n、p为高温化成柜内部三维方向所设置的所述温度采集模块数量；

隐藏层，通过设置多个实验值，计算隐藏层的层数及神经元数，确定所述加热模块的档位数量；

输出层，以二进制控制输出，输出层的神经元数量根据所述档位数量进行自定义调整。

4.根据权利要求1所述的高温化成柜热源功率智能控制方法，其特征在于，所述温度预测包括：

以测试数据作为所述基于深度神经网络的温度预测模型的输入数据，通过随机梯度下降算法对测试数据执行分组计算交叉熵代价函数。

5.根据权利要求4所述的高温化成柜热源功率智能控制方法，其特征在于，所述热功率预测包括：

根据所述交叉熵代价函数及激活函数，迭代计算神经网络的各层权重和偏置，其中，权重和偏置的更新规则为：

其中C为交叉熵代价函数，η为学习效率，以及，构建加热功率与温度的函数关系，函数关系的公式为P＝f(t₁,t₂,t₃...)，其中t₁,t₂,t₃...为处于不同时刻的温度数据。

6.根据权利要求5所述的高温化成柜热源功率智能控制方法，其特征在于，所述热功率预测还包括：

计算采集时间Δτ内的所述温度数据变化Δt，根据温度梯度▽t＝Δt/Δτ的变化方向：

当温度梯度▽τ向温差t-t0逐渐减小方向变化，放弃对应加热模块的加热功率的调整；

当温度梯度▽t向温差t-t0逐渐增大方向变化，则调整对应加热模块的加热功率，其中t为所采集的温度，t0为设定温度，τ为时间常数。

7.一种高温化成柜热源功率智能控制装置，所述高温化成柜热源功率智能控制装置用于执行权利要求1-6任一所述方法，该装置包括温度采集装置、温度预测装置、加热装置及调节装置；所述采集装置包括若干均匀设置于高温化成柜内壁的温度采集模块，用于采集温度数据；所述温度预测装置用于根据所述温度数据对高温化成柜的内部温度及所述加热装置的热功率进行预测，得到预测结果并下发对应的调节指令；所述加热装置包括若干组所述加热模块；所述调节装置用于根据所述温度预测装置的所述预测结果及调节指令对所述加热模块的功率进行动态调节。

8.根据权利要求7所述的高温化成柜热源功率智能控制装置，其特征在于，所述调节装置被配置为PID调节装置。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一所述的方法步骤。

Images